题目: Fairness-Aware Explainable Recommendation over Knowledge Graphs

简介: 最近,人们对公平性的考虑日益受到关注,尤其是在智能决策系统中。可解释的推荐系统可能会受到解释偏差和性能差异的困扰。在本文中,我们根据用户的活动水平分析了不同的用户组,发现不同组之间的推荐绩效存在偏差。结果显示由于不活跃用户的培训数据不足,不活跃用户可能更容易收到不满意的推荐,并且由于协作过滤的性质,他们的推荐可能会受到更活跃用户的培训记录的影响,因而受到系统的不公平对待。我们提出了一种启发式重新排序的公平约束方法,以在对知识图的可解释性推荐的背景下减轻这种不公平问题。我们使用基于最新知识图的可解释推荐算法对几个数据集进行了实验,结果表明,我们的算法不仅能够提供高质量的可解释的推荐,而且在几个方面都减少了推荐的不公平性。

成为VIP会员查看完整内容
46

相关内容

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【SIGIR2020-微软】知识图谱上的增强推荐推理
专知会员服务
73+阅读 · 2020年5月30日
可解释推荐:综述与新视角
专知会员服务
109+阅读 · 2019年10月13日
17篇必看[知识图谱Knowledge Graphs] 论文@AAAI2020
知识图谱简史:从1950到2019
专知
24+阅读 · 2019年12月2日
论文浅尝 | 基于知识图谱中图卷积神经网络的推荐系统
开放知识图谱
67+阅读 · 2019年8月27日
领域应用 | 推荐算法不够精准?让知识图谱来解决
开放知识图谱
5+阅读 · 2018年6月5日
推荐算法不够精准?让知识图谱来解决
人工智能头条
7+阅读 · 2018年6月4日
【知识图谱】肖仰华 | 基于知识图谱的用户理解
产业智能官
16+阅读 · 2017年10月6日
Arxiv
92+阅读 · 2020年2月28日
Arxiv
20+阅读 · 2019年11月23日
Arxiv
7+阅读 · 2018年1月31日
VIP会员
相关VIP内容
【SIGIR2020-微软】知识图谱上的增强推荐推理
专知会员服务
73+阅读 · 2020年5月30日
可解释推荐:综述与新视角
专知会员服务
109+阅读 · 2019年10月13日
微信扫码咨询专知VIP会员